高光谱遥感图像具有丰富的光谱信息,已经成为探测目标物体的重要工具。近年来,高光谱遥感技术得到了越来越广泛的应用,如土地环境监测、农作物病虫害监测、军事侦察、自然资源勘探等领域,高光谱遥感图像分类逐渐成为研究热点领域。传统的高光谱遥感图像分类技术趋于成熟,但大多数传统方法均采用人工提取特征的方法,因而具有特征信息表达有限、泛化能力不强以及难以满足高精度分类任务需要的缺点。随着人工智能技术的快速发展,深度学习方法在计算机视觉等诸多领域均取得了突破和发展,将深度学习应用于高光谱遥感图像分类已经成为热点方向。和传统的高光谱图像分类技术相比,基于深度学习的高光谱遥感图像分类已成为该领域最具发展潜力的一类方法。然而由于高光谱数据光谱冗杂、标签及样本数量缺乏等问题,导致高光谱数据的语义信息不能被充分提取,仍需研究人员进一步深入研究。卷积神经网络作为深度学习的代表性网络之一,在高光谱遥感图像分类领域表现出了优异的性能。基于卷积神经网络的模型具有较强的高光谱数据局部特征提取能力,能够实现端到端的特征提取和分类。因此本文基于卷积神经网络开展研究,探索了高效特征信息提取、融合和实现高精度分类的网络模型构建,主要研究内容和创新点如下:（1）针对高光谱遥感图像数据的特点,基于卷积神经网络构建了不同高光谱特征提取的网络模型。分别为光谱、空间、空间-光谱联合特征和空谱特征,设计了基于1D-CNN的光谱特征提取模型以提取光谱信息、基于2D-CNN的空间特征提取模型以提取空间信息、基于（1D-CNN+2D-CNN）的空间-光谱联合特征提取模型和基于3D-CNN的空谱特征提取模型以直接提取空谱信息。在开源数据集Pavia University上进行训练与测试,通过实验定量分析和对比了这几种模型的特点和性能。（2）针对现有网络过深导致梯度弥散和网络模型复杂度过高的问题,提出一种基于3D-CNN多尺度特征融合和空间通道注意力的网络模型,通过强化对重要空间和通道信息的权重分配,提高网络对有效特征信息的提取能力。为避免网络丢失纹理和边缘等的底层特征,采用多尺度特征融合策略,将高层语义信息和底层语义信息聚合,减少网络中底层信息的丢失,提高特征利用率。同时为避免特征通道融合造成的数据冗余,采用1×1卷积进行降维操作以降低算力要求,并进一步提取融合后的特征信息。（3）针对现有方法仅关注数据的空间信息和光谱信息问题,结合多尺度特征融合和高效通道注意力机制,提出一种混合卷积神经网络模型。该网络由三个模块组成,三维卷积模块主要用来提取其光谱和空间信息;二维卷积模块用来挖掘更深层次的空间信息;同时,基于1D-CNN设计了交叉卷积模块,进行水平和垂直信息的特征聚合。为使网络能够利用高层与底层语义信息,在三维卷积模块中,采取上采样特征融合策略保留目标像素点的空间信息。在二维卷积模块中,采取下采样特征融合策略保留高级语义信息,实验证明该方法能有效提高最终分类精度。同时,为降低通道冗余,采用通道注意力机制强化有效通道特征,使网络关注更重要的特征信息,提高网络的高效性。在三个广泛使用的开源高光谱数据集进行了实验验证,结果表明该方法优于其它已有深度学习方法。特别在小样本训练的情况下,能够获得更优异的分类精度。（4）研究并提出了两种基于卷积神经网络的端到端的高光谱遥感图像分类方法,避免了传统的手工提取特征的过程,能够达到自动化处理遥感数据的要求,满足遥感领域观测数据自动化、高精度,高效率处理的需求。